1.小样本不均衡语音数据库的生成式数据增强方法,其特征在于,包括:S1、对原始语音数据进行信号预处理,并对预处理后的语音数据划分训练集与测试集;
S2、对训练集数据和测试集数据进行压缩;
S3:对压缩后的训练集数据和测试集数据进行独热编码;
S4、使用独热编码后的训练集数据训练低残差WaveNet神经网络;
S5、使用独热编码后的测试集数据和训练好的低残差WaveNet神经网络生成原始数据库中不存在的语音样本;
所述低残差WaveNet神经网络由两个相同结构残差块组成,每个残差块包含10个扩张因果卷积,10个扩张因果卷积的扩张系数为1、2、4、8、16、32、64、128、256、512,在两个残差块之前进行了一次因果卷积,两个残差块之后对输入与两个残差块后的输出进行了一次残差链接,再经过两次因果卷积,训练步骤为:S41、从训练集中随机选取16段长度为2047个点的语音片段送入低残差WaveNet神经网络;
S42、取输入数据之后的16个点作为真实输出,计算真实输出与预测输出的误差损失函数,计算如下:其中,L(X)为点x的损失值,p(xi)为点x的真实数据值,q(xi)为点x的预测数据值,256为独热编码的长度;
S43、更新神经网络权重;
S44、重复步骤S4‑1‑S4‑3,直至损失函数达到设定值或完成设定的训练次数。
2.如权利要求1所述的小样本不均衡语音数据库的生成式数据增强方法,其特征在于,所述对原始语音数据进行信号预处理,包括:对原始语音数据进行预加重和归一化处理,如下:其中, 为预加重后的语音数据,x(n)、x(n‑1)为原始语音数据第n个采样点和第n‑1个采样点,α为预加重系数,N为数据总长度;
其中,S(n)为归一化后的语音数据, 为预加重后的语音数据,N为语音数据总长度。
3.如权利要求1所述的小样本不均衡语音数据库的生成式数据增强方法,其特征在于,所述对训练集数据和测试集数据进行压缩,包括:利用以下公式对训练集数据和测试集数据进行压缩:
其中,f(xt)为压缩后的语音数据,xt为时间点t时的语音数据,μ为压缩系数。
4.如权利要求1所述的小样本不均衡语音数据库的生成式数据增强方法,其特征在于,步骤S3中,独热编码的方法如下:将值为‑1到1之间的数值区间分为n段,每一个连续值由n位的二进制数字表示,n位二进制数字中只有一位为1,其余为0,为1的那一位即该数字在n段数值区间中的位置。
5.如权利要求1所述的小样本不均衡语音数据库的生成式数据增强方法,其特征在于,步骤S5包括:使用独热编码后的测试集数据和训练好的低残差WaveNet神经网络生成一个点的语音样本数据,再将生成的语音样本数据作为低残差WaveNet神经网络的输入,并生成下一个点的语音样本数据,直至生成语音样本数据长度达到设定值。
6.小样本不均衡语音数据库的生成式数据增强系统,其特征在于,包括:预处理模块,用于对原始语音数据进行信号预处理,并对预处理后的语音数据划分训练集与测试集;
压缩模块,用于对训练集数据和测试集数据进行压缩;
编码模块,用于对压缩后的训练集数据和测试集数据进行独热编码;
神经网络训练模块,用于使用独热编码后的训练集数据训练低残差WaveNet神经网络;
语音样本生成模块,用于使用独热编码后的测试集数据和训练好的低残差WaveNet神经网络生成原始数据库中不存在的语音样本;
低残差WaveNet神经网络由两个相同结构残差块组成,每个残差块包含10个扩张因果卷积,10个扩张因果卷积的扩张系数为1、2、4、8、16、32、64、128、256、512,在两个残差块之前进行了一次因果卷积,两个残差块之后对输入与两个残差块后的输出进行了一次残差链接,再经过两次因果卷积,训练步骤为:S41、从训练集中随机选取16段长度为2047个点的语音片段送入低残差WaveNet神经网络;
S42、取输入数据之后的16个点作为真实输出,计算真实输出与预测输出的误差损失函数,计算如下:其中,L(X)为点x的损失值,p(xi)为点x的真实数据值,q(xi)为点x的预测数据值,256为独热编码的长度;
S43、更新神经网络权重;
S44、重复步骤S4‑1‑S4‑3,直至损失函数达到设定值或完成设定的训练次数。
7.如权利要求6所述的小样本不均衡语音数据库的生成式数据增强系统,其特征在于,所述对原始语音数据进行信号预处理,包括:对原始语音数据进行预加重和归一化处理,如下:
其中, 为预加重后的语音数据,x(n)、x(n‑1)为原始语音数据第n个采样点和第n‑1个采样点,α为预加重系数,N为数据总长度;
其中,S(n)为归一化后的语音数据, 为预加重后的语音数据,N为语音数据总长度。
8.如权利要求6所述的小样本不均衡语音数据库的生成式数据增强系统,其特征在于,所述对训练集数据和测试集数据进行压缩,包括:利用以下公式对训练集数据和测试集数据进行压缩:
其中,f(xt)为压缩后的语音数据,xt为时间点t时的语音数据,μ为压缩系数。